KR101966639B1 - 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법 - Google Patents

수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR101966639B1
KR101966639B1 KR1020180045412A KR20180045412A KR101966639B1 KR 101966639 B1 KR101966639 B1 KR 101966639B1 KR 1020180045412 A KR1020180045412 A KR 1020180045412A KR 20180045412 A KR20180045412 A KR 20180045412A KR 101966639 B1 KR101966639 B1 KR 101966639B1
Authority
KR
South Korea
Prior art keywords
numerical
dual polarization
prediction model
temperature
calculated
Prior art date
Application number
KR1020180045412A
Other languages
English (en)
Inventor
정성화
조인해
김해림
Original Assignee
대한민국
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대한민국 filed Critical 대한민국
Priority to KR1020180045412A priority Critical patent/KR101966639B1/ko
Priority to US16/388,809 priority patent/US20190383966A1/en
Application granted granted Critical
Publication of KR101966639B1 publication Critical patent/KR101966639B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/18—Testing or calibrating meteorological apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Abstract

본 발명은 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법을 개시한다. 즉, 본 발명은 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성하고, 상기 생성된 이중편파 변수와 수치 예보 모델의 온도를 내삽한 후, 퍼지기법을 이용하여 대기수상체를 분류함으로써, 앞으로의 대기 중 대기수상체 정보의 예측이 가능하고, 관측공백지역의 대기수상체 분류 정도로 예측할 수 있다.

Description

수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법{Apparatus for forecasting of hydrometeor classification using numerical weather prediction model and method thereof}
본 발명은 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법에 관한 것으로, 특히 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성하고, 상기 생성된 이중편파 변수와 수치 예보 모델의 온도를 내삽한 후, 퍼지기법을 이용하여 대기수상체를 분류하는 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법에 관한 것이다.
기상 현상은 생활과 밀접하게 관련되고, 기상 현상을 정확히 예측하는 것은 기상 예보, 위험 기상 방재, 항공 예보 분야 등에서 중요한 문제이다. 이러한 기상 현상의 예측 능력을 향상시키기 위해서 여러 변수를 반영하는 수치 예보 시스템이 요구되고 있으며, 해당 수치 예보를 위한 여러 가지 방법들이 다양하게 개발되고 있다.
수치 예보를 위한 기본적인 정보를 얻는 소스(source)로 가장 중요한 것이 레이더 정보이며, 레이더 정보를 이용한 강수량 추정, 바람장 추정, 초단시간 강수량 예측 등의 연구 결과가 기상 예보자들이 실시간으로 레이더 정보와 컴퓨터를 이용하여 예보 정확도를 향상시키는 데 도움을 주고 있는 상태이다.
대기수상체(hydrometeor, 강수체)를 분류하기 위해서는 퍼지 로직(fuzzy logic)을 이용하여 실측된 레이더 정보로부터 현재의 대기수상체를 분류하고 있으나, 이러한 방식의 대기수상체 분류는, 수상체 종류 구분에 초점이 맞춰져 있어, 정밀도 및 세밀성이 낮은 한계가 있다.
한국등록특허 제10-1431707호 [명칭: 엑스밴드 이중편파 레이더 관측자료를 이용한 통합형 강우량 산정 방법]
본 발명의 목적은 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성하고, 상기 생성된 이중편파변수와 수치 예보 모델의 온도를 내삽한 후, 퍼지기법을 이용하여 대기수상체를 분류하는 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법을 제공하는 데 있다.
본 발명의 다른 목적은 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성할 때, 서로 다른 좌표계의 수치 예보 모델 정보의 좌표계와 레이더 관측 정보의 좌표계에 대한 리매퍼를 수행하는 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법을 제공하는 데 있다.
본 발명의 또 다른 목적은 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성할 때, 눈, 성장하는 빙정 및 싸락눈의 녹는 온도를 각각 고려하여 이중편파변수를 산출하는 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법을 제공하는 데 있다.
본 발명의 실시예에 따른 수치 예보 모델을 이용한 대기수상체 분류 예측 방법은 수치 예보 모델을 이용한 대기수상체 분류 예측 방법에 있어서, 이중편파 시뮬레이터에 의해, 수치 예보 모델의 예측장에 포함된 강우나 눈, 싸락눈의 혼합비와 입자개수를 근거로 입자 크기 분포를 산출하는 단계; 상기 이중편파 시뮬레이터에 의해, 상기 산출된 입자 크기 분포와 T-행렬 산란 방법을 통해 계산된 전후방 입자산란크기를 이용하여 이중편파 변수를 산출하는 단계; 상기 이중편파 시뮬레이터에 의해, 상기 수치 예보 모델의 3차원 격자 좌표계와 레이더 관측 자료의 좌표계를 매핑하기 위해서, 상기 수치 예보 모델의 예측장으로부터 레이더 관측 지점의 정보를 가져오기 위한 리매퍼를 수행하는 단계; 제어부에 의해, 상기 이중편파 변수의 격자점의 고도 정보를 유추하여 특정 고도에 가장 가까운 위, 아래 모델 연직층을 내삽하여 상기 수치 예보 모델의 온도를 계산하는 단계; 및 상기 제어부에 의해, 상기 산출된 이중편파 변수 및 상기 수치 예보 모델의 온도를 내삽한 결과를 퍼지 기법의 입력 변수로 사용하여, 각 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택하는 단계를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 전후방 입자산란크기는, 대기수상체에 대한 미산란 효과를 반영하기 위해서, 축비율을 T-행렬 산란 방법에 적용하여 전후방 입자산란크기를 산출할 수 있다.
본 발명과 관련된 일 예로서 상기 이중편파 변수를 산출하는 단계는, 다음의 수학식을 통해 상기 이중편파 변수에 포함된 반사도를 산출하며,
Figure 112018038837091-pat00001
,
Figure 112018038837091-pat00002
여기서, 상기 A, B 및 C는,
Figure 112018038837091-pat00003
,
Figure 112018038837091-pat00004
,
Figure 112018038837091-pat00005
이고, 상기 람다(λ)는 레이더 파장을 나타내고, 상기 Kw는 물의 유전율로 0.93을 나타내고, 상기 최대 크기(Dmax,x)는 강우 입자(Dmax,r)의 경우 8mm이고, 눈 입자(Dmax,s)의 경우 30mm이고, 우박(Dmax,h)의 경우 70mm이고, 상기 아래첨자 x는 대기수상체 입자의 종류를 나타내고, 상기 fa(π) 및 fb(π)는 각각 장축과 단축에 따른 전방산란크기를 나타내고, 상기 fa *(π) 및 fb *(π)는 각각 전방산란크기의 켤레를 나타내고, 상기 Re[...]은 복소수의 실수부를 나타내고, 상기 |...|은 세로줄(single bar) 사이의 변수 크기를 나타내고, 상기 <...>은 입자기울기의 앙상블 평균을 나타내고, 상기
Figure 112018038837091-pat00006
는 입자의 기울기를 나타내고, 상기
Figure 112018038837091-pat00007
는 입자의 평균기울기를 나타내고, 상기
Figure 112018038837091-pat00008
는 입자기울기의 표준편차를 나타낼 수 있다.
본 발명과 관련된 일 예로서 상기 이중편파 변수를 산출하는 단계는, 다음의 수학식을 통해 상기 이중편파 변수에 포함된 차등 반사도를 산출하고,
Figure 112019002647003-pat00063
다음의 수학식을 통해
Figure 112019002647003-pat00064
상기 이중편파 변수에 포함된 교차상관계수를 산출할 수 있다.
본 발명과 관련된 일 예로서 상기 리매퍼를 수행하는 단계는, 파워-게인 기반 샘플링(power-gain-based sampling) 연직 내삽 기법을 사용해서 상기 리매퍼를 수행할 수 있다.
본 발명과 관련된 일 예로서 상기 대기수상체는, 구름(CL: cloud drop), 이슬비(DRZ: Drizzle), 약한 비(LR: Light rain), 보통 비(MR: Moderate rain), 강한 비(HR: Heavy rain), 우박(HA: Hail), 우박/비(HR: Rain+Hail), 싸락눈/작은 우박(GSH: Graupel+Small hail), 싸락눈/비(GRR: Graupel+Rain), 건설(DS: Dry snow), 습설(WS: Wet snow), 빙정_등방(IC: Ice crystal), 빙정_비등방(IIC: Irregular ice crystal) 및 과냉각수적(SLD: Suppercooled liquid droplet)을 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 각 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택하는 단계는, 상기 입력변수 각각에 대한 소속함수에 대해서, 각 위치에서 상기 산출된 이중편파 변수 및 상기 수치 예보 모델의 온도에 대한 소속함수의 조합으로 각 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택할 수 있다.
본 발명의 실시예에 따른 수치 예보 모델을 이용한 대기수상체 분류 예측 장치는 수치 예보 모델을 이용한 대기수상체 분류 예측 장치에 있어서, 수치 예보 모델의 예측장에 포함된 강우나 눈, 싸락눈의 혼합비와 입자개수를 근거로 입자 크기 분포를 산출하고, 상기 산출된 입자 크기 분포와 T-행렬 산란 방법을 통해 계산된 전후방 입자산란크기를 이용하여 이중편파 변수를 산출하고, 상기 수치 예보 모델의 3차원 격자 좌표계와 레이더 관측 자료의 좌표계를 매핑하기 위해서, 상기 수치 예보 모델의 예측장으로부터 레이더 관측 지점의 정보를 가져오기 위한 리매퍼를 수행하는 이중편파 시뮬레이터; 및 상기 이중편파 변수의 격자점의 고도 정보를 유추하여 특정 고도에 가장 가까운 위, 아래 모델 연직층을 내삽하여 상기 수치 예보 모델의 온도를 계산하고, 상기 산출된 이중편파 변수 및 상기 수치 예보 모델의 온도를 내삽한 결과를 퍼지 기법의 입력 변수로 사용하여, 각 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택하는 제어부를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 이중편파 시뮬레이터는, 파워-게인 기반 샘플링 연직 내삽 기법을 사용해서 상기 리매퍼를 수행할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 입력변수 각각에 대한 소속함수에 대해서, 각 위치에서 상기 산출된 이중편파 변수 및 상기 수치 예보 모델의 온도에 대한 소속함수의 조합으로 각 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택할 수 있다.
본 발명은 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성하고, 상기 생성된 이중편파 변수와 수치 예보 모델의 온도를 내삽한 후, 퍼지기법을 이용하여 대기수상체를 분류함으로써, 앞으로의 대기 중 대기수상체 정보의 예측이 가능하고, 관측공백지역의 대기수상체 분류 정도로 예측할 수 있는 효과가 있다.
또한, 본 발명은 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성할 때, 서로 다른 좌표계의 수치 예보 모델 정보의 좌표계와 레이더 관측 정보의 좌표계에 대한 리매퍼를 수행함으로써, 수치 예보 모델 예측장을 대기수상체 분류에 활용하여 대기수상체 판단의 정확도를 높일 수 있는 효과가 있다.
또한, 본 발명은 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성할 때, 눈, 성장하는 빙정 및 싸락눈의 녹는 온도를 각각 고려하여 이중편파 변수를 산출함으로써, 대기수상체 판단의 정확도를 높일 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 수치 예보 모델을 이용한 대기수상체 분류 예측 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 사다리꼴 형태의 소속함수의 예를 나타낸 도이다.
도 3은 본 발명의 실시예에 따른 2차원 소속함수에 따른 반사도-차등 반사도, 반사도-교차상관계수 간의 관계를 나타낸 도이다.
도 4는 본 발명의 실시예에 따른 수치 예보 모델을 이용한 대기수상체 분류 예측 방법을 나타낸 흐름도이다.
도 5는 본 발명의 실시예에 따른 수치 예보 모델 예측장을 이용하여 산출된 반사도의 예를 나타낸 도이다.
도 6은 본 발명의 실시예에 따른 수치 예보 모델 예측장을 이용하여 산출된 차등반사도의 예를 나타낸 도이다.
도 7은 본 발명의 실시예에 따른 수치 예보 모델 예측장을 이용하여 산출된 교차상관계수의 예를 나타낸 도이다.
도 8은 본 발명의 실시예에 따른 레이더 지점으로부터 내삽한 온도의 예를 나타낸 도이다.
도 9는 본 발명의 실시예에 따른 수치 예보 모델을 이용한 대기수상체 분류 예측 결과를 나타낸 도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서 "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
도 1은 본 발명의 실시예에 따른 수치 예보 모델을 이용한 대기수상체 분류 예측 장치(10)의 구성을 나타낸 블록도이다.
도 1에 도시한 바와 같이, 대기수상체 분류 예측 장치(10)는 통신부(100), 저장부(200), 표시부(300), 음성 출력부(400), 이중편파 시뮬레이터(500) 및 제어부(600)로 구성된다. 도 1에 도시된 대기수상체 분류 예측 장치(10)의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 1에 도시된 구성 요소보다 많은 구성 요소에 의해 대기수상체 분류 예측 장치(10)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 대기수상체 분류 예측 장치(10)가 구현될 수도 있다.
상기 대기수상체 분류 예측 장치(10)는 스마트 폰(Smart Phone), 휴대 단말기(Portable Terminal), 이동 단말기(Mobile Terminal), 개인 정보 단말기(Personal Digital Assistant: PDA), PMP(Portable Multimedia Player) 단말기, 텔레매틱스(Telematics) 단말기, 내비게이션(Navigation) 단말기, 개인용 컴퓨터(Personal Computer), 노트북 컴퓨터, 슬레이트 PC(Slate PC), 태블릿 PC(Tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(Wearable Device, 예를 들어, 워치형 단말기(Smartwatch), 글래스형 단말기(Smart Glass), HMD(Head Mounted Display) 등 포함), 와이브로(Wibro) 단말기, IPTV(Internet Protocol Television) 단말기, 스마트 TV, 디지털방송용 단말기, AVN(Audio Video Navigation) 단말기, A/V(Audio/Video) 시스템, 플렉시블 단말기(Flexible Terminal) 등과 같은 다양한 단말기에 적용될 수 있다.
상기 통신부(100)는 유/무선 통신망을 통해 내부의 임의의 구성 요소 또는 외부의 임의의 적어도 하나의 단말기와 통신 연결한다. 이때, 상기 외부의 임의의 단말기는 서버(미도시) 등을 포함할 수 있다. 여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등이 있으며, 상기 통신부(100)는 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다. 또한, 근거리 통신 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신 기술로는 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있다.
또한, 상기 통신부(100)는 유니버설 시리얼 버스(Universal Serial Bus: USB)를 통해 임의의 단말과 정보를 상호 전송할 수 있다.
또한, 상기 통신부(100)는 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 상기 서버 등과 무선 신호를 송수신한다.
또한, 상기 통신부(100)는 상기 제어부(600)의 제어에 의해 상기 서버로부터 전송되는 수치 예보 모델의 예측장(또는 수치 예보 모델의 예측 자료/예측 정보)을 수신한다. 이때, 상기 수치 예보 모델은 UM(Unified Model) 전지구모델일 수 있다. 여기서, 상기 수치 예보 모델의 예측장에는 미리 설정된 시간마다 각 격자점에서 생성되는 주요 예단 변수(Primary prognostic), 주요 예단 변수에서 모수화 스킴으로 계산되는 제 2 예단 변수, 수치 예보 모델의 하단 경계에서 필요한 보조 자료(Ancillary Data), 수치 예보 모델에 의해 이류되는 수동적 변수인 추적자들(Tracers), 측면 경계 조건 등이 포함될 수 있다.
또한, 상기 수치 예보 모델은 전지구에 대해 중기 예측하는 전지구모델과 특정 지역에 대해 고분해능으로 예측하는 지역모델로 나뉜다. 현재 우리나라에서는 영국에서 개발된 UM 전지구모델을 사용하고 있으며, 동아시아 지역모델로는 UM과 WRF 모델(Weather Research Forecast Model)을, 초단기(또는 단기) 예보를 위해서는 UM과 KLAPS(Korea Local Analysis and Prediction System) 한반도 지역 모델을 사용한다.
또한, 상기 수치 예보 모델은 격자점 방식 모델의 수평격자점으로 구성되어 있으며, 연직좌표계는 Z(고도)와 P(기압면) 좌표계 대신 지면 근처의 지형을 따르는 시그마 좌표계와 일정 고도 이상에서 고도좌표계를 이용하는 하이브리드좌표계(Hybrid coordinate)를 사용한다. 각 격자점은 바다가 점유하는 비율에 따라 육지 또는 바다로 정의되며, 해빙지역도 빙하경계선 자료를 이용하여 정의된다.
상기 수치 예보 모델의 초기값 정확도 향상을 위해 SYNOP, 라디오존데(radiosonde), 위성, 레이더 등의 관측 자료가 입력자료로 사용되며, 높은 오차를 포함한 관측 자료는 자료동화 과정에서 제외된다. 자료 동화는 상기 수치 예보 모델의 초기 입력자료를 실제 대기에 가깝도록 만들기 위해 상기 수치 예보 모델이 예측한 기상장을 관측 자료로 수정하여 분석장을 만드는 과정으로 UM 모델에서는 4차원 변분자료동화 방법을 사용한다.
상기 수치 예보 모델에서 사용되는 변수들은 다음의 [표 1]과 같이 나타낼 수 있다.
주요 예단변수
(대기권)		 주요 예단변수(지상) 제 2 예단변수 보조자료
u, v(수평 바람성분) p*(지상기압) ZH(경계층의 깊이) 땅과 바다의 마스크
w(연직바람) Ts(토양 온도) Za(해면의 거칠기 길이) 토양 유형
θ(온위) SMC(토양수분 함량) CCa(대류운의 양) 식생 유형
q(비습) 캐노피 수분 함량 CCb(대류운 운저) 격자박스내의 지형의 평균과 분산
qt, qf(구름 물, 얼음) Snowdep(적설량) CCt(대류운 상단) SST(해수면 온도)
T*(지표면 온도) Ca(층운의 양) ICEc(해빙의 비율)
오존 혼합비 ICEt(해빙 두께)
해류
본 발명의 실시예에서는 상기 수치 예보 모델의 예측장이 상기 서버로부터 제공되는 것을 설명하고 있으나, 이에 한정되는 것은 아니며, 대기수상체 분류 예측 장치(10)에 포함된 센서부(미도시)를 통해 UM 전지구모델에 대해 각 격자점에서의 수치 예보 모델의 예측장을 각각 측정할 수도 있다.
상기 저장부(200)는 다양한 사용자 인터페이스(User Interface: UI), 그래픽 사용자 인터페이스(Graphic User Interface: GUI) 등을 저장한다.
또한, 상기 저장부(200)는 상기 대기수상체 분류 예측 장치(10)가 동작하는데 필요한 데이터와 프로그램 등을 저장한다.
즉, 상기 저장부(200)는 상기 대기수상체 분류 예측 장치(10)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 대기수상체 분류 예측 장치(10)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는 대기수상체 분류 예측 장치(10)의 기본적인 기능을 위하여 출고 당시부터 대기수상체 분류 예측 장치(10)상에 존재할 수 있다. 한편, 응용 프로그램은 상기 저장부(200)에 저장되고, 대기수상체 분류 예측 장치(10)에 설치되어, 제어부(600)에 의하여 상기 대기수상체 분류 예측 장치(10)의 동작(또는 기능)을 수행하도록 구동될 수 있다.
또한, 상기 저장부(200)는 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 대기수상체 분류 예측 장치(10)는 인터넷(internet)상에서 저장부(200)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 상기 웹 스토리지와 관련되어 동작할 수도 있다.
또한, 상기 저장부(200)는 상기 통신부(100)를 통해 수신된 수치 예보 정보 등을 저장한다.
상기 표시부(300)는 상기 제어부(600)의 제어에 의해 상기 저장부(200)에 저장된 사용자 인터페이스 및/또는 그래픽 사용자 인터페이스를 이용하여 다양한 메뉴 화면 등과 같은 다양한 콘텐츠를 표시할 수 있다. 여기서, 상기 표시부(300)에 표시되는 콘텐츠는 다양한 텍스트 또는 이미지 데이터(각종 정보 데이터 포함)와 아이콘, 리스트 메뉴, 콤보 박스 등의 데이터를 포함하는 메뉴 화면 등을 포함한다. 또한, 상기 표시부(300)는 터치 스크린 일 수 있다.
또한, 상기 표시부(300)는 액정 디스플레이(Liquid Crystal Display: LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display: TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode: OLED), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display), 전자잉크 디스플레이(e-ink display), LED(Light Emitting Diode) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 표시부(300)는 상기 제어부(600)의 제어에 의해 상기 통신부(100)를 통해 수신된 수치 예보 정보 등을 표시한다.
상기 음성 출력부(400)는 상기 제어부(600)에 의해 소정 신호 처리된 신호에 포함된 음성 정보를 출력한다. 여기서, 상기 음성 출력부(400)에는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.
또한, 상기 음성 출력부(400)는 상기 제어부(600)에 의해 생성된 안내 음성을 출력한다.
또한, 상기 음성 출력부(400)는 상기 제어부(600)의 제어에 의해 상기 통신부(100)를 통해 수신된 수치 예보 정보 등에 대응하는 음성 정보를 출력한다.
상기 이중편파 시뮬레이터(500)는 수치 예보 모델의 예측장을 근거로 이중편파 변수를 산출한다.
즉, 상기 이중편파 시뮬레이터(500)는 상기 수치 예보 모델의 예측 자료를 이중편파 레이더 관측변수로 변환하는 역할을 함으로써, 상기 수치 예보 모델 자료를 보다 직관적으로 강수 정보의 파악이 가능한 자료 형태로 변환해준다. 이때, 상기 이중편파 시뮬레이터(500)에 입력자료로 사용되는 상기 수치 예보 모델의 변수로는 위경도, 격자간격, 모델연직 층별 고도 등의 지리 정보와, 공기의 밀도 계산을 위해 온도, 수증기 혼합비, 기압 정보 등이 필요하다. 또한, 시선 속도를 계산하기 위해서 수평 바람 성분(u, v), 연직 바람 성분(w)의 각각 동서, 남북, 연직 방향의 속도가 필요하며, 이중편파 변수의 계산을 위해 비(qr), 눈(qs), 싸락눈(qg), 우박(qh)의 혼합비와 이들 각각의 입자 개수가 필요하다.
또한, 상기 수치 예보 모델에서는 모든 대기수상체가 구형이라고 가정하고 있으나, 이중편파 변수는 입자 모양에 대한 정보가 포함되어 있어, 상기 이중편파 시뮬레이터(500)에서는 입자가 평편해지는 녹는 대기수상체를 재구성해준다.
또한, 상기 이중편파 시뮬레이터(500)는 상기 수치 예보 모델의 예측장에 포함된 강우나 눈, 싸락눈의 혼합비와 입자개수(Nt)를 근거로 입자 크기 분포(drop size distribution, n(D))를 산출한다.
또한, 상기 이중편파 시뮬레이터(500)는 상기 산출된 입자 크기 분포와 T-행렬 산란 방법을 통해 계산된 전후방 입자산란크기를 이용하여 이중편파 변수(또는 이중편파 레이더 관측변수)를 산출한다. 이때, 상기 이중편파 시뮬레이터(500)를 이용하여 이중편파 변수를 모의하기 위해서는 입자의 모양, 기울기, 밀도 등과 같은 입자의 특성 정보가 필요한데, 이러한 입자 특성을 명확하게 정의하기 어렵기 때문에, 본 발명의 실시예에서는 눈과 우박은 장축에 나란하게 수평적으로 떨어진다고 가정하여, 입자의 평균 기울기(mean canting angle)는 0°, 강우와 눈 입자의 입자기울기의 표준 편차(standard deviation of canting angle)는 각각 0°와 20°, 건조한 우박은 최대 60°로 가정한다.
또한, 대기수상체에 대한 미산란 효과를 반영하기 위해서, 축비율을 T-행렬 산란 알고리즘(또는 T-행렬 산란 방법)에 적용하여 전후방 입자산란크기를 산출한다. 이때, 상기 축비율은 강우의 경우 다음의 [수학식 1]의 축비 관계식에 따라 산출하며, 강설의 경우 고정된 축비율(예를 들어 r=0.75)을 사용할 수 있다.
Figure 112018038837091-pat00011
여기서, 상기 r은 강우에서의 축비율을 나타내고, 상기 D는 입자 크기를 나타낸다.
또한, 상기 이중편파 시뮬레이터(500)는 다음의 [수학식 2] ~ [수학식 8]을 통해 반사도(Z), 차등반사도(ZDR), 교차상관계수(ρhv) 등의 이중편파 변수(또는 이중편파 레이더 변수)를 각각 산출한다.
Figure 112018038837091-pat00012
Figure 112018038837091-pat00013
Figure 112018038837091-pat00014
Figure 112018038837091-pat00015
Figure 112018038837091-pat00016
Figure 112018038837091-pat00017
Figure 112018038837091-pat00018
여기서, 상기 람다(λ)는 레이더 파장(예를 들어 10.3cm)을 나타내고, 상기 Kw는 물의 유전율로 0.93을 나타낸다. 또한, 상기 최대 크기(Dmax,x)는 강우 입자(Dmax,r)의 경우 8mm이고, 눈 입자(Dmax,s)의 경우 30mm이고, 우박(Dmax,h)의 경우 70mm이다. 여기서, 아래첨자 x는 대기수상체 입자의 종류로서, r(rain, 강우), rs(rain-snow mixture, 비-눈 혼합), ds(dry snow, 건설), rh(rain-hail mixture, 비-우박 혼합), dh(dry hail, 건조 우박) 등을 나타낸다. 또한, 상기 fa(π) 및 fb(π)는 각각 장축과 단축에 따른 전방산란크기를 나타내고, 상기 fa *(π) 및 fb *(π)는 각각 전방산란크기의 켤레를 나타낸다. 또한, 상기 Re[...]은 복소수의 실수부를 나타내며, 상기 |...|은 세로줄(single bar) 사이의 변수 크기를 나타내며, 상기 <...>은 입자기울기의 앙상블 평균을 나타낸다. 또한, 상기
Figure 112018038837091-pat00019
는 입자의 기울기를 나타내고, 상기
Figure 112018038837091-pat00020
는 입자의 평균기울기를 나타내고, 상기
Figure 112018038837091-pat00021
는 입자기울기의 표준편차를 나타낸다.
이때, 본 발명의 실시예에 따른 녹는 층 모델은 눈, 성장하는 빙정 및 싸락눈의 녹는 온도를 각각 다르게 설정하였다. 또한, 본 발명의 실시예에 따른 눈의 녹는 층 온도는 미리 설정된 최고 내지 최저 높이에서 -2.5℃ ~ 2.5℃로 설정하였으며, 이 범위 안에서 눈의 융해 정도는 온도와 선형 관계로 고려(또는 가정)하였고, 최대 융해율은 0.8로 고려하였다. 성장하는 빙정은 -5℃ ~ 0.4℃로 설정하였으며, -5℃일 때, 최대 융해율은 0이고, 0.4℃일 때 최대 융해율은 0.4로 설정하였다. 또한, 싸락눈의 녹는 층 시작 온도는 -5℃이며, 최대 융해율은 0.4로 설정하였다. 이 외의 구역에서 눈과 싸락눈의 혼합비는 0.0g/kg이다.
상기 이중편파 시뮬레이터(500)에서 녹는 층을 고려하지 않을 때의 교차상관계수(
Figure 112018038837091-pat00022
)는 상기 [수학식 8]의 분자를 다음의 [수학식 9]를 사용하여 계산하지만, 녹는 층을 고려할 때에는 다음의 [수학식 10]을 사용하여 계산할 수 있다.
Figure 112018038837091-pat00023
Figure 112018038837091-pat00024
여기서, 상기 E는
Figure 112018038837091-pat00025
을 나타내고, 상기 F는
Figure 112018038837091-pat00026
을 나타낸다.
또한, 상기 이중편파 시뮬레이터(500)는 상기 수치 예보 모델의 3차원 격자 좌표계와 레이더 관측 자료의 좌표계를 매핑하기 위해서, 상기 수치 예보 모델의 예측장으로부터 레이더 관측 지점의 정보를 가져오기 위한 리매퍼(remapper)를 수행한다.
즉, 상기 이중편파 시뮬레이터(500)는 일반적으로 상기 수치 예보 모델의 연직 층수가 레이더 관측고도각 수보다 많기 때문에, 파워-게인 기반 샘플링(power-gain-based sampling) 연직 내삽(interpolation) 기법인 다음의 [수학식 11]을 사용하여 리매퍼를 수행한다.
Figure 112018038837091-pat00027
여기서, 상기
Figure 112018038837091-pat00028
는 관측 고도를 나타내고, 상기
Figure 112018038837091-pat00029
는 시선 속도 또는 반사도의 값을 나타내고, 상기
Figure 112018038837091-pat00030
는 상기
Figure 112018038837091-pat00031
가 있는 층의 깊이를 나타낸다.
상기 [수학식 11]은 시선 속도 관측에 대한 반사도 가중의 효과를 무시하며, 상기 파워-게인 함수(G)는 가우시안으로 가정되며, 다음의 [수학식 12]와 같다.
Figure 112018038837091-pat00032
여기서, 상기
Figure 112018038837091-pat00033
는 빔 폭을 나타내고, 상기
Figure 112018038837091-pat00034
는 격자점에 대한 고도각을 나타내며, 상기
Figure 112018038837091-pat00035
는 빔 중심의 고도각을 나타낸다. 이때, 이 방법은 빔 폭 안에 최소 2개의 수치모델 연직층이 있어야 한다.
상기 제어부(600)는 상기 대기수상체 분류 예측 장치(10)의 전반적인 제어 기능을 실행한다.
또한, 상기 제어부(600)는 상기 저장부(200)에 저장된 프로그램 및 데이터를 이용하여 대기수상체 분류 예측 장치(10)의 전반적인 제어 기능을 실행한다. 상기 제어부(600)는 RAM, ROM, CPU, GPU, 버스를 포함할 수 있으며, RAM, ROM, CPU, GPU 등은 버스를 통해 서로 연결될 수 있다. CPU는 상기 저장부(200)에 액세스하여, 상기 저장부(200)에 저장된 O/S를 이용하여 부팅을 수행할 수 있으며, 상기 저장부(200)에 저장된 각종 프로그램, 콘텐츠, 데이터 등을 이용하여 다양한 동작을 수행할 수 있다.
또한, 상기 제어부(600)는 대기 중의 강수입자를 판별하여 분류하기 위해서, 상기 이중편파 시뮬레이터(500)에서 산출된 반사도, 차등반사도, 교차상관계수 등의 이중편파 변수와, 상기 수치 예보 모델의 온도 자료(또는 상기 수치 예보 모델의 온도)를 입력 자료로 사용하여, 퍼지 기법을 통해 각각의 픽셀에 대하여 대기수상체 분류를 수행한다. 이때, 상기 제어부(600)는 각각의 픽셀별로 총 14개의 대기수상체에 대한 소속정도와 가중치를 고려하여, 최대값에 해당하는 대기수상체를 선택하여 분류한다.
즉, 상기 제어부(600)는 이중편파 변수 격자점의 고도 정보를 유추하여 해당 고도에 가장 가까운 위, 아래 모델 연직층을 내삽하여 상기 수치 예보 모델의 온도를 계산한다. 여기서, 수치 예보 모델의 온도장은 밝은 띠 고도를 판별하여 대기수상체를 분류하는데 중요한 역할을 한다. 그러나 수치 예보 모델의 온도장은 3차원 격자장으로 구성되어 있어, 상기 이중편파 시뮬레이터(500)를 통해 산출된 이중편파 변수 격자의 고도 정보와 다르다. 따라서, 수치 예보 모델의 온도장을 사용하기 위해서는 격자별 온도 자료를 맞춰주는 작업이 필요하게 된다. 이때, 각 격자점에 해당하는 자료의 고도 정보(또는 레이더 빔 중심 고도)는 다음의 [수학식 13]에 따라 레이더 중심으로부터 거리에 따라 계산(또는 산출)된다.
Figure 112018038837091-pat00036
여기서, 상기 H는 레이더 빔 중심 고도를 나타내고, 상기 R은 레이더로부터 관측 거리를 나타내고, 상기 θ는 레이더 관측 고도각을 나타내고, 상기
Figure 112018038837091-pat00037
는 지구 반지름(예를 들어 6371km)을 나타내고, 상기 h는 레이더 안테나 고도를 나타낸다.
또한, 상기 제어부(600)는 상기 산출된 이중편파 변수(예를 들어 반사도, 차등반사도, 교차상관계수 등 포함) 및 상기 수치 예보 모델의 온도(또는 온도 자료/앞서 수치 예보 모델의 온도를 내삽한 결과)를 퍼지 기법의 입력 변수로 사용하여, 각 위치(또는 지점/격자점, pixel)에서 존재할 가능성이 가장 큰 대기수상체를 선택한다. 여기서, 상기 대기수상체는 구름(CL: cloud drop), 이슬비(DRZ: Drizzle), 약한 비(LR: Light rain), 보통 비(MR: Moderate rain), 강한 비(HR: Heavy rain), 우박(HA: Hail), 우박/비(HR: Rain+Hail), 싸락눈/작은 우박(GSH: Graupel+Small hail), 싸락눈/비(GRR: Graupel+Rain), 건설(DS: Dry snow), 습설(WS: Wet snow), 빙정_등방(IC: Ice crystal), 빙정_비등방(IIC: Irregular ice crystal), 과냉각수적(SLD: Suppercooled liquid droplet) 등을 포함한다. 이때, 상기 퍼지 기법은 각 입력 변수의 결과에 대한 확률을 다양한 형태의 함수로 표현하여, 결과들에 대한 소속 정도의 합에서 최대값을 가지는 결과를 최종 산출물로 결정하는 기법이다.
즉, 상기 제어부(600)는 입력변수 각각에 대한 소속함수에 대해서, 각 위치에서 상기 산출된 이중편파 변수 및 상기 온도 자료(또는 상기 수치 예보 모델의 온도)에 대한 소속함수의 조합으로 해당 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택한다.
다음의 [수학식 14]의 함수에서 소속함수의 형태는 도 2에 나타낸 바와 같이 사다리꼴을 사용한다.
Figure 112018038837091-pat00038
여기서, 상기
Figure 112018038837091-pat00039
는 대기수상체가 존재하는 정도를 나타내고, 상기 사다리꼴 형태의 소속함수(
Figure 112018038837091-pat00040
)는 변수값이 X1에서 X4 사이에 존재할 때, 각 대기수상체가 존재할 확률을 나타내며, 0 ~ 1 사이의 값으로 가능성을 나타낸다. 또한, X2 ~ X3의 구간에서는 1값으로 존재할 가능성이 높음을 나타낸다. 즉, 상기 사다리꼴 형태의 소속함수(
Figure 112018038837091-pat00041
)는 입력 변수(상기 산출된 반사도, 차등반사도, 교차상관계수, 상기 온도 등 포함) 각각에 대해 각 종류별로 대기수상체가 나타날 가능성(확률)을 나타낸다. 또한, 상기 i는 1:구름, 2:이슬비, 3:약한비, 4: 보통비, 5:강한비, 6:우박, 7:우박/비, 8:싸락눈/작은우박, 9:싸락눈/비, 10:건설, 11:습설, 12:빙정_등방, 13:빙정_비등방, 14:과냉각수적 등의 14 종류의 대기수상체 형태를 나타낸다. 이때, 상기 퍼지 기법은 각 입력 변수의 결과에 대한 확률을 다양한 형태의 함수로 표현하여, 결과들에 대한 소속 정도의 합에서 최대값을 가지는 결과를 최종 산출물로 결정하는 기법이다. 또한, 상기 가중치(
Figure 112018038837091-pat00042
)는 상기 입력 변수에 대한 가중치로, 상기 반사도는 20, 상기 차등반사도는 10, 상기 교차상관계수는 20, 상기 온도는 20의 가중치를 가질 수 있다.
또한, 도 3에 나타낸 바와 같이, 상기 도 2의 사다리꼴 형태의 소속함수를 반사도 값에 대한 다른 이중편파 변수의 2차원 소속함수로 나타낼 수 있다.
또한, 상기 제어부(600)는 상기 위치별로 각각 분류된 대기수상체에 대한 정보를 상기 표시부(300) 및/또는 음성 출력부(400)를 통해 출력한다.
본 발명의 실시예에서는 상기 이중편파 시뮬레이터(500)와 상기 제어부(600)가 별도로 구성되는 것을 설명하고 있으나, 이에 한정되는 것은 아니며, 상기 이중편파 시뮬레이터(500)와 상기 제어부(600)는 하나의 구성 요소로 구성할 수도 있다. 즉, 상기 제어부(600)는 상기 이중편파 시뮬레이터(500)를 포함하여 구성하며, 상기 이중편파 시뮬레이터(500)의 다양한 기능을 수행할 수도 있다.
이와 같이, 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성하고, 상기 생성된 이중편파 변수와 수치 예보 모델의 온도를 내삽한 후, 퍼지기법을 이용하여 대기수상체를 분류할 수 있다.
또한, 이와 같이, 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성할 때, 서로 다른 좌표계의 수치 예보 모델 정보의 좌표계와 레이더 관측 정보의 좌표계에 대한 리매퍼를 수행할 수 있다.
또한, 이와 같이, 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성할 때, 눈, 성장하는 빙정 및 싸락눈의 녹는 온도를 각각 고려하여 이중편파 변수를 산출할 수 있다.
이하에서는, 본 발명에 따른 수치 예보 모델을 이용한 대기수상체 분류 예측 방법을 도 1 내지 도 9를 참조하여 상세히 설명한다.
도 4는 본 발명의 실시예에 따른 수치 예보 모델을 이용한 대기수상체 분류 예측 방법을 나타낸 흐름도이다.
먼저, 통신부(100)는 서버(미도시)로부터 전송되는 수치 예보 모델의 예측장(또는 수치 예보 모델의 예측 자료/예측 정보)을 수신한다. 이때, 상기 수치 예보 모델은 UM(Unified Model) 전지구모델일 수 있다. 여기서, 상기 수치 예보 모델의 예측장에는 미리 설정된 시간마다 각 격자점에서 생성되는 주요 예단 변수(Primary prognostic), 주요 예단 변수에서 모수화 스킴으로 계산되는 제 2 예단 변수, 수치 예보 모델의 하단 경계에서 필요한 보조 자료(Ancillary Data), 수치 예보 모델에 의해 이류되는 수동적 변수인 추적자들(Tracers), 측면 경계 조건 등이 포함될 수 있다.
일 예로, 상기 통신부(100)는 상기 서버에서 1.5Km 해상도에 가변격자체계의 UM 국지예보모델을 이용하여 2017년 3월 1일 오후 3시에 측정한 제 1 수치 예보 모델의 예측장을 수신한다(S410).
이후, 상기 이중편파 시뮬레이터(500)는 상기 수치 예보 모델의 예측장에 포함된 강우나 눈, 싸락눈의 혼합비와 입자개수(Nt)를 근거로 입자 크기 분포(drop size distribution, n(D))를 산출한다.
일 예로, 상기 이중편파 시뮬레이터(500)는 상기 제 1 수치 예보 모델의 예측장에 포함된 강우나 눈, 싸락눈의 혼합비와 입자개수를 근거로 제 1 입자 크기 분포를 산출한다(S420).
이후, 상기 이중편파 시뮬레이터(500)는 상기 산출된 입자 크기 분포와 T-행렬 산란 방법을 통해 계산된 전후방 입자산란크기를 이용하여 이중편파 변수(또는 이중편파 레이더 관측변수)를 산출한다. 이때, 상기 이중편파 시뮬레이터(500)를 이용하여 이중편파 변수를 모의하기 위해서는 입자의 모양, 기울기, 밀도 등과 같은 입자의 특성 정보가 필요한데, 이러한 입자 특성을 명확하게 정의하기 어렵기 때문에, 본 발명의 실시예에서는 눈과 우박은 장축에 나란하게 수평적으로 떨어진다고 가정하여, 입자의 평균 기울기는 0°, 강우와 눈 입자의 입자기울기의 표준 편차는 각각 0°와 20°, 건조한 우박은 최대 60°로 가정한다.
또한, 대기수상체에 대한 미산란 효과를 반영하기 위해서, 축비율을 T-행렬 산란 알고리즘(또는 T-행렬 산란 방법)에 적용하여 전후방 입자산란크기를 산출한다. 이때, 상기 축비율은 강우의 경우 앞선 [수학식 1]의 축비 관계식에 따라 산출하며, 강설의 경우 고정된 축비율(예를 들어 r=0.75)을 사용할 수 있다.
또한, 상기 이중편파 시뮬레이터(500)는 앞선 [수학식 2] ~ [수학식 8]을 통해 반사도(Z), 차등반사도(ZDR), 교차상관계수(ρhv) 등의 이중편파 변수(또는 이중편파 레이더 변수)를 각각 산출한다.
이때, 본 발명의 실시예에 따른 녹는 층 모델은 눈, 성장하는 빙정 및 싸락눈의 녹는 온도를 각각 다르게 설정하였다. 또한, 본 발명의 실시예에 따른 눈의 녹는 층 온도는 미리 설정된 최고 내지 최저 높이에서 -2.5℃ ~ 2.5℃로 설정하였으며, 이 범위 안에서 눈의 융해 정도는 온도와 선형 관계로 고려(또는 가정)하였고, 최대 융해율은 0.8로 고려하였다. 성장하는 빙정은 -5℃ ~ 0.4℃로 설정하였으며, -5℃일 때, 최대 융해율은 0이고, 0.4℃일 때 최대 융해율은 0.4로 설정하였다. 또한, 싸락눈의 녹는 층 시작 온도는 -5℃이며, 최대 융해율은 0.4로 설정하였다. 이 외의 구역에서 눈과 싸락눈의 혼합비는 0.0g/kg이다.
상기 이중편파 시뮬레이터(500)에서 녹는 층을 고려하지 않을 때의 교차상관계수(
Figure 112018038837091-pat00043
)는 상기 [수학식 8]의 분자를 앞선 [수학식 9]를 사용하여 계산하지만, 녹는 층을 고려할 때에는 앞선 [수학식 10]을 사용하여 계산할 수 있다.
일 예로, 상기 이중편파 시뮬레이터(500)는 상기 산출된 제 1 입자 크기 분포와 T-행렬 산란 방법을 통해 산출된 전후방 입자산란크기를 근거로 상기 [수학식 2] ~ [수학식 8]을 이용하여 반사도(Z), 차등반사도(ZDR) 및 교차상관계수(ρhv)를 각각 산출한다(S430).
이후, 상기 이중편파 시뮬레이터(500)는 상기 수치 예보 모델의 3차원 격자 좌표계와 레이더 관측 자료의 좌표계를 매핑하기 위해서, 상기 수치 예보 모델의 예측장으로부터 레이더 관측 지점의 정보를 가져오기 위한 리매퍼를 수행한다.
즉, 상기 이중편파 시뮬레이터(500)는 일반적으로 상기 수치 예보 모델의 연직 층수가 레이더 관측고도각 수보다 많기 때문에, 파워-게인 기반 샘플링(power-gain-based sampling) 연직 내삽 기법인 앞선 [수학식 11]을 사용하여 리매퍼를 수행한다.
일 예로, 상기 이중편파 시뮬레이터(500)는 상기 수치 예보 모델의 예측장으로부터 레이더 관측 지점의 정보를 가져오기 위한 리매퍼를 수행하여, 도 5에 도시된 바와 같은 반사도를 최종적으로 산출하고, 도 6에 도시된 바와 같은 차등반사도를 최종적으로 산출하고, 도 7에 도시된 바와 같은 교차상관계수를 최종적으로 산출한다(S440).
이후, 제어부(600)는 이중편파 변수 격자점의 고도 정보를 유추하여 해당 고도에 가장 가까운 위, 아래 모델 연직층을 내삽하여 온도를 계산한다. 여기서, 수치 예보 모델의 온도장은 밝은 띠 고도를 판별하여 대기수상체를 분류하는데 중요한 역할을 한다. 그러나 수치 예보 모델의 온도장은 3차원 격자장으로 구성되어 있어, 상기 이중편파 시뮬레이터(500)를 통해 산출된 이중편파 변수 격자의 고도 정보와 다르다. 따라서, 수치 예보 모델의 온도장을 사용하기 위해서는 격자별 온도 자료를 맞춰주는 작업이 필요하게 된다. 이때, 각 격자점에 해당하는 자료의 고도 정보(또는 레이더 빔 중심 고도)는 앞선 [수학식 13]에 따라 레이더 중심으로부터 거리에 따라 계산(또는 산출)된다.
일 예로, 상기 제어부(600)는 수치 예보 모델이 x, y, z의 3차원 격자점에 대해 온도 정보를 가지나, 레이더 자료는 지구 곡률로 인해 레이더 중심에서 거리가 멀어질수록 관측 고도가 올라가며, 극좌표계로 정보를 가지고 있어 레이더 각 관측 지점이 수치 예보 모델의 x, y, z 포인트와 매칭되지 않으므로, 레이더를 기준으로 레이더 각 관측 지점에 대하여 수평으로 가장 가까운 수치 예보 모델 온도장의 x, y 지점을 찾고, 그 위치에서 연직 방향(z 방향)으로 앞에서 계산된 레이더 고도에 대한 온도값을 얻기 위해 레이더 빔 중심 고도에 대한 각각 위, 아래에 있는 층을 내삽하여 해당 고도에 대한 온도를 유추한다.
이에 따라, 도 8에 도시된 바와 같이, 상기 제어부(600)는 x축과 y축이 한반도를 중심(0,0)으로 각각 x축은 600km, y축은 800km까지의 영역을 나타내며, 백령도 레이더에서 관측하는 레이더 고도에 따른 내삽된 온도값을 나타낸다(S450).
이후, 상기 제어부(600)는 상기 산출된 이중편파 변수(예를 들어 반사도, 차등반사도, 교차상관계수 등 포함) 및 상기 수치 예보 모델의 온도(또는 온도 자료/앞서 수치 예보 모델의 온도를 내삽한 결과)를 퍼지 기법의 입력 변수로 사용하여, 각 위치(또는 지점/격자점, pixel)에서 존재할 가능성이 가장 큰 대기수상체를 선택한다. 여기서, 상기 대기수상체는 구름(CL: cloud drop), 이슬비(DRZ: Drizzle), 약한 비(LR: Light rain), 보통 비(MR: Moderate rain), 강한 비(HR: Heavy rain), 우박(HA: Hail), 우박/비(HR: Rain+Hail), 싸락눈/작은 우박(GSH: Graupel+Small hail), 싸락눈/비(GRR: Graupel+Rain), 건설(DS: Dry snow), 습설(WS: Wet snow), 빙정_등방(IC: Ice crystal), 빙정_비등방(IIC: Irregular ice crystal), 과냉각수적(SLD: Suppercooled liquid droplet) 등을 포함한다. 이때, 상기 퍼지 기법은 각 입력 변수의 결과에 대한 확률을 다양한 형태의 함수로 표현하여, 결과들에 대한 소속 정도의 합에서 최대값을 가지는 결과를 최종 산출물로 결정하는 기법이다.
즉, 상기 제어부(600)는 입력변수 각각에 대한 소속함수에 대해서, 각 위치에서 상기 산출된 이중편파 변수 및 상기 온도 자료에 대한 소속함수의 조합으로 해당 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택한다.
이때, 앞선 [수학식 14]의 함수에서 소속함수의 형태는 사다리꼴을 사용할 수 있다.
일 예로, 상기 제어부(600)는 상기 수치 예보 모델의 예측장을 사용하여 산출된 이중편파 변수(반사도, 차등 반사도, 교차상관계수 등 포함) 및 상기 수치 예보 모델의 온도(또는 앞서 수치 예보 모델의 온도를 내삽한 결과)를 사용하여 대기수상체를 분류하고, 도 9에 도시된 바와 같이, 상기 대기수상체의 분류 결과를 출력한다.
이와 같이, 상기 제어부(600)는 각 지점별로 대기수상체별로 각각의 Q값을 산출하고, 특정 지점에서 대기수상체별로 각각 산출된 Q값 중에서 가장 큰 값을 갖는 특정 대기수상체를 해당 특정 지점에서의 대기수상체로 분류할 수 있다(S460).
본 발명의 실시예는 앞서 설명된 바와 같이, 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성하고, 상기 생성된 이중편파 변수와 수치 예보 모델의 온도를 내삽한 후, 퍼지기법을 이용하여 대기수상체를 분류하여, 앞으로의 대기 중 대기수상체 정보의 예측이 가능하고, 관측공백지역의 대기수상체 분류 정도로 예측할 수 있다.
또한, 본 발명의 실시예는 앞서 설명된 바와 같이, 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성할 때, 서로 다른 좌표계의 수치 예보 모델 정보의 좌표계와 레이더 관측 정보의 좌표계에 대한 리매퍼를 수행하여, 수치 예보 모델 예측장을 대기수상체 분류에 활용하여 대기수상체 판단의 정확도를 높일 수 있다.
또한, 본 발명의 실시예는 앞서 설명된 바와 같이, 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성할 때, 눈, 성장하는 빙정 및 싸락눈의 녹는 온도를 각각 고려하여 이중편파 변수를 산출하여, 대기수상체 판단의 정확도를 높일 수 있다.
전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
본 발명은 수치 예보 모델 예측장을 이용하여 이중편파 변수를 생성하고, 상기 생성된 이중편파 변수와 수치 예보 모델의 온도를 내삽한 후, 퍼지기법을 이용하여 대기수상체를 분류함으로써, 앞으로의 대기 중 대기수상체 정보의 예측이 가능하고, 관측공백지역의 대기수상체 분류 정도로 예측할 수 있는 것으로, 눈, 비, 우박 등의 대기수상체를 실시간으로 분류함에 따라, 기상 예보 분야, 위험기상 방제 분야, 항공예보 분야 등에서 광범위하게 이용될 수 있다.
10: 수치 예보 모델을 이용한 대기수상체 분류 예측 장치
100: 통신부 200: 저장부
300: 표시부 400: 음성 출력부
500: 이중편파 시뮬레이터 600: 제어부

Claims (10)

  1. 수치 예보 모델을 이용한 대기수상체 분류 예측 방법에 있어서,
    이중편파 시뮬레이터에 의해, 수치 예보 모델의 예측장에 포함된 강우나 눈, 싸락눈의 혼합비와 입자개수를 근거로 입자 크기 분포를 산출하는 단계;
    상기 이중편파 시뮬레이터에 의해, 상기 산출된 입자 크기 분포와 T-행렬 산란 방법을 통해 계산된 전후방 입자산란크기를 이용하여 이중편파 변수를 산출하며, 이중편파 변수 중 교차상관계수 산출 시 분류 대상 대기수상체 중 눈, 성장하는 빙정 및 싸락눈의 녹는 온도를 각각 다르게 설정하되, 눈의 녹는 층 온도는 미리 설정된 최고 내지 최저 높이에서 -2.5℃ ~ 2.5℃로 설정하고, 이 범위 안에서 눈의 융해 정도는 온도와 선형 관계를 가지며 최대 융해율을 0.8로 하고, 성장하는 빙정은 -5℃ ~ 0.4℃로서 -5℃일 때 최대 융해율은 0이고, 0.4℃일 때 최대 융해율은 0.4로 설정하며, 싸락눈의 녹는 층 시작 온도는 -5℃로서 최대 융해율은 0.4로 설정하는 단계;
    상기 이중편파 시뮬레이터에 의해, 상기 수치 예보 모델의 3차원 격자 좌표계와 레이더 관측 자료의 좌표계를 매핑하기 위해서, 상기 수치 예보 모델의 예측장으로부터 레이더 관측 지점의 정보를 가져오기 위한 리매퍼를 수행하는 단계;
    제어부에 의해, 상기 이중편파 변수의 격자점의 고도 정보를 유추하여 특정 고도에 가장 가까운 위, 아래 모델 연직층을 내삽하여 상기 수치 예보 모델의 온도를 계산하는 단계; 및
    상기 제어부에 의해, 상기 산출된 이중편파 변수 및 상기 수치 예보 모델의 온도를 내삽한 결과를 퍼지 기법의 입력 변수로 사용하여, 각 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택하는 단계를 포함하는 수치 예보 모델을 이용한 대기수상체 분류 예측 방법.
  2. 제 1 항에 있어서,
    상기 전후방 입자산란크기는,
    대기수상체에 대한 미산란 효과를 반영하기 위해서, 축비율을 T-행렬 산란 방법에 적용하여 전후방 입자산란크기를 산출하는 것을 특징으로 하는 수치 예보 모델을 이용한 대기수상체 분류 예측 방법.
  3. 제 1 항에 있어서,
    상기 이중편파 변수를 산출하는 단계는,
    다음의 수학식을 통해 상기 이중편파 변수에 포함된 반사도를 산출하며,
    Figure 112018038837091-pat00044

    Figure 112018038837091-pat00045

    여기서, 상기 A, B 및 C는,
    Figure 112018038837091-pat00046
    ,
    Figure 112018038837091-pat00047
    ,
    Figure 112018038837091-pat00048
    이고,
    상기 람다(λ)는 레이더 파장을 나타내고, 상기 Kw는 물의 유전율로 0.93을 나타내고, 상기 최대 크기(Dmax,x)는 강우 입자(Dmax,r)의 경우 8mm이고, 눈 입자(Dmax,s)의 경우 30mm이고, 우박(Dmax,h)의 경우 70mm이고, 상기 아래첨자 x는 대기수상체 입자의 종류를 나타내고, 상기 fa(π) 및 fb(π)는 각각 장축과 단축에 따른 전방산란크기를 나타내고, 상기 fa *(π) 및 fb *(π)는 각각 전방산란크기의 켤레를 나타내고, 상기 Re[...]은 복소수의 실수부를 나타내고, 상기 |...|은 세로줄(single bar) 사이의 변수 크기를 나타내고, 상기 <...>은 입자기울기의 앙상블 평균을 나타내고, 상기
    Figure 112018038837091-pat00049
    는 입자의 기울기를 나타내고, 상기
    Figure 112018038837091-pat00050
    는 입자의 평균기울기를 나타내고, 상기
    Figure 112018038837091-pat00051
    는 입자기울기의 표준편차를 나타내는 것을 특징으로 하는 수치 예보 모델을 이용한 대기수상체 분류 예측 방법.
  4. 제 3 항에 있어서,
    상기 이중편파 변수를 산출하는 단계는,
    다음의 수학식을 통해 상기 이중편파 변수에 포함된 차등 반사도를 산출하고,
    Figure 112019002647003-pat00065

    다음의 수학식을 통해
    Figure 112019002647003-pat00066

    상기 이중편파 변수에 포함된 교차상관계수를 산출하는 것을 특징으로 하는 수치 예보 모델을 이용한 대기수상체 분류 예측 방법.
  5. 제 1 항에 있어서,
    상기 리매퍼를 수행하는 단계는,
    파워-게인 기반 샘플링(power-gain-based sampling) 연직 내삽 기법을 사용해서 상기 리매퍼를 수행하는 것을 특징으로 하는 수치 예보 모델을 이용한 대기수상체 분류 예측 방법.
  6. 제 1 항에 있어서,
    상기 대기수상체는,
    구름(CL: cloud drop), 이슬비(DRZ: Drizzle), 약한 비(LR: Light rain), 보통 비(MR: Moderate rain), 강한 비(HR: Heavy rain), 우박(HA: Hail), 우박/비(HR: Rain+Hail), 싸락눈/작은 우박(GSH: Graupel+Small hail), 싸락눈/비(GRR: Graupel+Rain), 건설(DS: Dry snow), 습설(WS: Wet snow), 빙정_등방(IC: Ice crystal), 빙정_비등방(IIC: Irregular ice crystal) 및 과냉각수적(SLD: Suppercooled liquid droplet)을 포함하는 것을 특징으로 하는 수치 예보 모델을 이용한 대기수상체 분류 예측 방법.
  7. 제 1 항에 있어서,
    상기 각 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택하는 단계는,
    상기 입력변수 각각에 대한 소속함수에 대해서, 각 위치에서 상기 산출된 이중편파 변수 및 상기 수치 예보 모델의 온도에 대한 소속함수의 조합으로 각 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택하는 것을 특징으로 하는 수치 예보 모델을 이용한 대기수상체 분류 예측 방법.
  8. 수치 예보 모델을 이용한 대기수상체 분류 예측 장치에 있어서,
    수치 예보 모델의 예측장에 포함된 강우나 눈, 싸락눈의 혼합비와 입자개수를 근거로 입자 크기 분포를 산출하고, 상기 산출된 입자 크기 분포와 T-행렬 산란 방법을 통해 계산된 전후방 입자산란크기를 이용하여 이중편파 변수를 산출하고, 상기 수치 예보 모델의 3차원 격자 좌표계와 레이더 관측 자료의 좌표계를 매핑하기 위해서, 상기 수치 예보 모델의 예측장으로부터 레이더 관측 지점의 정보를 가져오기 위한 리매퍼를 수행하는 이중편파 시뮬레이터; 및
    상기 이중편파 변수의 격자점의 고도 정보를 유추하여 특정 고도에 가장 가까운 위, 아래 모델 연직층을 내삽하여 상기 수치 예보 모델의 온도를 계산하고, 상기 산출된 이중편파 변수 및 상기 수치 예보 모델의 온도를 내삽한 결과를 퍼지 기법의 입력 변수로 사용하여, 각 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택하는 제어부를 포함하되,
    상기 이중편파 시뮬레이터는 분류 대상 대기수상체 중 눈, 성장하는 빙정 및 싸락눈의 녹는 온도를 각각 다르게 설정하는데, 눈의 녹는 층 온도는 미리 설정된 최고 내지 최저 높이에서 -2.5℃ ~ 2.5℃로 설정하고, 이 범위 안에서 눈의 융해 정도는 온도와 선형 관계를 가지며 최대 융해율을 0.8로 하고, 성장하는 빙정은 -5℃ ~ 0.4℃로서 -5℃일 때 최대 융해율은 0이고, 0.4℃일 때 최대 융해율은 0.4로 설정하며, 싸락눈의 녹는 층 시작 온도는 -5℃로서 최대 융해율은 0.4로 설정하여 이중편파 변수 중 교차상관계수 산출하는 수치 예보 모델을 이용한 대기수상체 분류 예측 장치.
  9. 제 8 항에 있어서,
    상기 이중편파 시뮬레이터는,
    파워-게인 기반 샘플링 연직 내삽 기법을 사용해서 상기 리매퍼를 수행하는 것을 특징으로 하는 수치 예보 모델을 이용한 대기수상체 분류 예측 장치.
  10. 제 8 항에 있어서,
    상기 제어부는,
    상기 입력변수 각각에 대한 소속함수에 대해서, 각 위치에서 상기 산출된 이중편파 변수 및 상기 수치 예보 모델의 온도에 대한 소속함수의 조합으로 각 위치에서 존재할 가능성이 가장 큰 대기수상체를 선택하는 것을 특징으로 하는 수치 예보 모델을 이용한 대기수상체 분류 예측 장치.
KR1020180045412A 2018-04-19 2018-04-19 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법 KR101966639B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180045412A KR101966639B1 (ko) 2018-04-19 2018-04-19 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법
US16/388,809 US20190383966A1 (en) 2018-04-19 2019-04-18 Apparatus for forecasting of hydrometeor classification using numerical weather prediction model and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180045412A KR101966639B1 (ko) 2018-04-19 2018-04-19 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR101966639B1 true KR101966639B1 (ko) 2019-07-26

Family

ID=67469721

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180045412A KR101966639B1 (ko) 2018-04-19 2018-04-19 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법

Country Status (2)

Country Link
US (1) US20190383966A1 (ko)
KR (1) KR101966639B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379345A (zh) * 2020-10-23 2021-02-19 吴海英 融合数值模式的雷达短临外推预报方法
KR102218179B1 (ko) * 2020-06-15 2021-03-29 대한민국(기상청 국립기상과학원장) 초단기 예보 모델의 복사 물리 모수화를 에뮬레이션 하는 시스템 및 방법
KR20210055975A (ko) 2019-11-08 2021-05-18 한국해양과학기술원 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법
CN114706145A (zh) * 2022-03-23 2022-07-05 成都信息工程大学 基于雹云微物理与热动力特征的冰雹预警方法
KR20220141400A (ko) 2021-04-13 2022-10-20 한국항공우주연구원 대기수상체 입자의 수분 부착비 추정 시스템 및 그 추정 방법
KR102465090B1 (ko) 2022-09-02 2022-11-10 대한민국 레이더 기반 항공기 착빙 가능 영역 탐지 방법, 이를 수행하기 위한 기록매체 및 장치

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111239857B (zh) * 2020-02-18 2020-09-11 潘新民 一种特殊地形强风预报方法
CN111694000B (zh) * 2020-06-11 2023-03-21 成都信息工程大学 雹云单体发展过程中雹胚形成及冰雹增长的预报方法
CN112307679B (zh) * 2020-11-23 2022-11-04 内蒙古工业大学 一种构建河冰厚度反演微波散射模型的方法及装置
CN112766581B (zh) * 2021-01-25 2023-05-30 福建省气象科学研究所 一种计算机自动识别预报人工防雹作业潜势的方法
CN113240172B (zh) * 2021-05-11 2023-12-19 国网湖南省电力有限公司 微地形覆冰数值预测方法及系统
CN113657610B (zh) * 2021-08-27 2023-09-22 无锡九方科技有限公司 一种基于随机森林的冰雹气候特征预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101431707B1 (ko) 2013-11-26 2014-09-22 한국건설기술연구원 엑스밴드 이중편파 레이더 관측자료를 이용한 통합형 강우량 산정 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101431707B1 (ko) 2013-11-26 2014-09-22 한국건설기술연구원 엑스밴드 이중편파 레이더 관측자료를 이용한 통합형 강우량 산정 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
정영선 외 5인, ‘KLAPS를 위한 이중편파레이더자료시뮬레이터개발’, 오클라호마 대학교, 기상청, 최종보고서, 2013.* *
조인해 외 3인, ‘용인테스트베드레이더 집중관측 : 눈·비 분류’, 2015년도 한국기상학회 봄학술대회 논문집, 2015.04.* *
허솔잎 외 4인,‘이중편파레이더를 이용한 대기수상체 분류 겨울철 사례 분석’, 2013년도 한국기상학회 봄학술대회 논문집, 2013, pp.328-329.* *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210055975A (ko) 2019-11-08 2021-05-18 한국해양과학기술원 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법
KR102218179B1 (ko) * 2020-06-15 2021-03-29 대한민국(기상청 국립기상과학원장) 초단기 예보 모델의 복사 물리 모수화를 에뮬레이션 하는 시스템 및 방법
CN112379345A (zh) * 2020-10-23 2021-02-19 吴海英 融合数值模式的雷达短临外推预报方法
CN112379345B (zh) * 2020-10-23 2024-04-19 吴海英 融合数值模式的雷达短临外推预报方法
KR20220141400A (ko) 2021-04-13 2022-10-20 한국항공우주연구원 대기수상체 입자의 수분 부착비 추정 시스템 및 그 추정 방법
CN114706145A (zh) * 2022-03-23 2022-07-05 成都信息工程大学 基于雹云微物理与热动力特征的冰雹预警方法
CN114706145B (zh) * 2022-03-23 2023-11-21 成都信息工程大学 基于雹云微物理与热动力特征的冰雹预警方法
KR102465090B1 (ko) 2022-09-02 2022-11-10 대한민국 레이더 기반 항공기 착빙 가능 영역 탐지 방법, 이를 수행하기 위한 기록매체 및 장치

Also Published As

Publication number Publication date
US20190383966A1 (en) 2019-12-19

Similar Documents

Publication Publication Date Title
KR101966639B1 (ko) 수치 예보 모델을 이용한 대기수상체 분류 예측 장치 및 그 방법
US9869766B1 (en) Enhancement of airborne weather radar performance using external weather data
US11294096B2 (en) Real-time data pipeline techniques for improving a fast weather forecasting system
EP2461177B1 (en) Systems and methods for improving relevant weather determination
US9507022B1 (en) Weather radar system and method for estimating vertically integrated liquid content
US9535158B1 (en) Weather radar system and method with fusion of multiple weather information sources
Bernstein et al. Current icing potential: Algorithm description and comparison with aircraft observations
US8223062B2 (en) Systems and methods for aircraft to aircraft exchange of radar information over low bandwidth communication channels
US10302815B1 (en) System and method of integrating global convective weather
Cintineo et al. An empirical model for assessing the severe weather potential of developing convection
CN104406580B (zh) 一种通用航空飞行器的导航方法、装置和系统
US10935693B2 (en) Prediction of ice crystal presence in a volume of airspace
US9244166B1 (en) System and method for ice detection
US9810770B1 (en) Efficient retrieval of aviation data and weather over low bandwidth links
US20150379408A1 (en) Using Sensor Information for Inferring and Forecasting Large-Scale Phenomena
US9057773B1 (en) Weather information display system and method
WO2019126707A1 (en) Improved real-time weather forecasting system
US10605912B1 (en) Storm top adaptive beam scan
CN105388535B (zh) 基于现有机载设备的航空气象风观测方法
US9846230B1 (en) System and method for ice detection
JP2016038388A (ja) 氷結晶着氷エンジン事象確率推定の装置、システム、及び方法
WO2017122408A1 (ja) 気象予測装置、気象予測方法、および気象予測プログラム
US20150309208A1 (en) Systems and methods for localized hail activity alerts
JP6818569B2 (ja) 気象情報処理装置、気象情報処理方法、プログラム
EP4170385A1 (en) Weather radar short-term forecast for in-flight cockpit displays